Perancangan Sistem Deteksi Wajah Untuk Keamanan Mobil Menggunakan Metode Haar Cascades Classifier Terintegrasi Twitter.

Perancangan Sistem Deteksi Wajah Untuk Keamanan

Mobil Menggunakan Metode Haar Cascades Classifier

Terintegrasi Twitter

Artikel Ilmiah

Diajukan kepada

Fakultas Teknologi Informasi

untuk memperoleh gelar Sarjana Komputer

Peneliti:

Aditya Septa Mahendra (672009054)

Radius Tanone, S.Kom., M.Cs.

Program Studi Teknik Informatika

Fakultas Teknologi Informasi

Universitas Kristen Satya Wacana

Salatiga

April 2016

Perancangan Sistem Deteksi Wajah Untuk Keamanan Mobil

Menggunakan Metode Haar Cascades Classifier Terintegrasi Twitter

1)

Aditya Septa Mahendra, 2)Radius Tanone, S.Kom., M.Cs

Fakultas Teknologi Informasi Universitas Kristen SatyaWacana Jl. Diponegoro 52-60, Salatiga 50711, Indonesia

Email: 1)672009054@student.uksw.edu,2)radiustanone@staff.uksw.edu Abstract

Technology growing rapidly so that can help in human life.Needs for keeping human goods for example using Closed Circuit Television (CCTV) for example. Lack of car’s security system that provide a direct notification to four-wheels car’s owner when the owner far from the car. The regulatory process need a system that give an automatic output. Adapted from CCTV system, the system that will build detect face and upload detected face by webcam to specify twitter account automaticly. Utilize webcam, raspberry pi 2 B, haar cascades classfier method, and twitter can achieve that goal. In this study developed a face detector system for car security using haar cascades classifier method intergrated twitter. System can detect and upload face image to twitter automaticly.

Keywords: haar cascades classifier, raspberry pi 2 B, face detection, twitter

Abstrak

Teknologi berkembang pesat sehingga bisa membantu dalam kehidupan manusia. Teknologi untuk menjaga keamanan barang penggunanya sebagai contoh penggunaan Closed Circuit Television (CCTV) misalnya. Minimnya sistem keamanan mobil yang menyediakan fitur yang memberikan notifikasi langsung kepemilik mobil saat berada jauh dari mobil. Proses pengawasan memerlukan keluaran secara otomatis. Mengadaptasi dari sistem CCTV, sistem yang dibangun mendeteksi wajah dan akan upload wajah yang terdeteksi oleh webcam keakun

twitter yang telah ditentukan secara otomatis. Memanfaatkan webcam, raspberry pi 2B, metode deteksi wajah haar cascades classifier, dan twitter dapat mencapai

tujuan tersebut. Pada penelitian ini dirancang sebuah sistem deteksi wajah untuk keamanan mobil menggunakan metode haar cascades classifier terintegrasi

twitter. Sistem da[at mendeteksi dan upload wajah ke twitter secara otomatis.

Kata Kunci :haar cascades classifier, raspberry pi 2 B, face detection, twitter

1)

Mahasiswa Program Studi Teknik Informatika, FakultasTeknologi Informasi, Universitas Kristen SatyaWacana

2)

1

1. Pendahuluan

Perkembangan teknologi sekarang ini sangat pesat sehingga bisa membantu dalam kehidupan manusia.Teknologi untuk menjaga keamanan barang penggunanya sebagai contoh penggunaan Closed Circuit Television (CCTV) untuk memonitoring keadaan di perkantoran, mall, maupun di sekolah.

Kasus pencurian kendaraan yang marak terjadi, tidak hanya roda dua tetapi juga roda empat.Waktu – waktu tertentu seperti menyambut hari raya menjadi waktu yang rawan pencurian kendaraan. Menurut data yang dihimpun dari Bidang Hubungan Masyarakat Polda Metro Jaya Kamis, 11 Mei 2015, menyebutkan pencurian kendaraan bermotor mendominasi angka kriminalitas sebulan menjelang bulan ramadhan yaitu sebanyak 156 sepeda motor dan 56 mobil)[1].

Sistem keamanan yang ada dipasar saat ini seperti alarm dan sistem GPS (Global Positioning System) memiliki kelemahannya masing – masing. Alarm mempunyai kelemahan yaitu terbatasnya suara alarm yang terkendala oleh jarak, sedangkan sistem GPS hanya memberikan koordinat letak mobil berada tanpa mengetahui pelaku pencurian. Fitur yang ditawarkan sistem keamanan yang ada dipasar tidak menyediakan pemberitahuan dan gambaran siapa yang mencurisecara langsung kepada pemilik kendaraan.

Berdasarkan latar belakang tersebut, maka dirancang sebuah perancangan sistem yang diadaptasi dari sistem CCTV yaitu perancangan sistem deteksi wajah untuk keamanan mobil menggunakan metode haar cascades classifier terintegrasi

twitteryang diharapkan dapat berguna untuk memberikan hasil monitoringmobil

secara langsung dengan memanfaatkan notifikasi dari twitter ke ponsel. Pada penelitian terbatas hanya bagaimana cara perancangan sistem, sistem yang dirancang hanya menampilkan wajah yang terdeteksi, tidak menampilkan lokasi mobil berada, dan tidak membahas bahas cara menangani sinyal internet yang lemah karena kondisi geografis, cuaca, maupun kesalahan teknis dari provider.

2. Tinjauan Pustaka

Perkembangan teknologi sekarang ini sangat pesat sehingga bisa membantu dalam kehidupan manusia.Teknologi untuk menjaga keamanan barang penggunanya sebagai contoh penggunaan Closed Circuit Television (CCTV) untuk memonitoring keadaan di perkantoran, mall, maupun di sekolah.

Kasus pencurian kendaraan yang marak terjadi, tidak hanya roda dua tetapi juga roda empat.Waktu – waktu tertentu seperti menyambut hari raya menjadi waktu yang rawan pencurian kendaraan. Menurut data yang dihimpun dari Bidang Hubungan Masyarakat Polda Metro Jaya Kamis, 11 Mei 2015, menyebutkan pencurian kendaraan bermotor mendominasi angka kriminalitas sebulan menjelang bulan ramadhan yaitu sebanyak 156 sepeda motor dan 56 mobil)[1].

Sistem keamanan yang ada dipasar saat ini seperti alarm dan sistem GPS (Global Positioning System) memiliki kelemahannya masing – masing. Alarm mempunyai kelemahan yaitu terbatasnya suara alarm yang terkendala oleh jarak, sedangkan sistem GPS hanya memberikan koordinat letak mobil berada tanpa mengetahui pelaku pencurian. Fitur yang ditawarkan sistem keamanan yang ada

2

dipasar tidak menyediakan pemberitahuan dan gambaran siapa yang mencurisecara langsung kepada pemilik kendaraan.

Berdasarkan latar belakang tersebut, maka dirancang sebuah perancangan sistem yang diadaptasi dari sistem CCTV yaitu perancangan sistem deteksi wajah untuk keamanan mobil menggunakan metode haar cascades classifier terintegrasi

twitteryang diharapkan dapat berguna untuk memberikan hasil monitoringmobil

secara langsung dengan memanfaatkan notifikasi dari twitter ke ponsel. Pada penelitian terbatas hanya bagaimana cara perancangan sistem, sistem yang dirancang hanya menampilkan wajah yang terdeteksi, tidak menampilkan lokasi mobil berada, dan tidak membahas bahas cara menangani sinyal internet yang lemah karena kondisi geografis, cuaca, maupun kesalahan teknis dari provider.

Gambar 1 Board raspberry pi 2B

Raspberry pi 2B pada gambar 1 adalah Single Board Circuit (SBC) yang

memiliki ukuran sebesar kartu kredit yang menggunakan daya listrik sebesar 5

volt. Raspberry Pi 2B merupakan generasi kedua dari Raspberry Pi.Raspberry Pi

memiliki sistem Broadcom BCM2836 chip (SoC), yang mencakup

ARM1176JZF-S 700 MHz processor,VideoCore IV GPU, dan awalnya dibuat dengan 512 MB RAM, kemudian ditingkatkan menjadi 1024 MB.[7].

3

Gambar 2 Tahapan Penelitian[8]

Tahapan penelitian menggunakan metode ”The PPDIOO network

lifecycle” yang telah diterapkan oleh cisco. Tahapan peneltian pada gambar 2

dijelaskan metode penelitian sebagai berikut. Tahap Prepare dilakukan proses persiapan untuk memahami kebutuhan penelitian, anggaran untuk peneltian, dan pemanfaatan teknologi yang mendukung sampai implementasi. Tahap kedua :Plan mengidentifikasi kebutuhan awal penelitian berdasarkan tujuan penelitian. Pada tahap ini dilakukan studi pustaka untuk menunjang perancangan sistem yang akan dibangun. Tahap ketiga :Design membahas tentang perancangan arsitektur sistem yang akan dirancang pada penelitian. Tahap keempat:Implement, tahap dimana sistem yang telah direncanakan dan didesain diterapkan. Tahap kelima:Operate, pada tahap ini dilakukan pengujian sistem untuk mengetahui apakah sistem yang dirancang apakah sudah sesuai dengan desain yang direncanakan. Tahap keenam :Optimize, pada tahap ini sistem telah selesai dirancang masih tetap diidentifikasi agar sistem berjalan dengan maksimal[9].

Sistem yang dirancang menggunakan dua webcam yang sudah terhubung dengan aplikasi face detection yang berada di dalam raspberry pi. Aplikasi face

detection dapat dikonfigurasi dari raspberry pi yang dapat disambungkan ke PC

maupun laptop sebagai monitor. Menyesuaikan konfigurasi yang meliputi periode cuplik, periode valid, upload twitter, isi pesan, dan akun twitter tujuan, wajah yang telah dicapture akan di upload ke akun twitter tujuan. Twitter kemudian memberikan notifikasi di akun twitter berupa mention (@) beserta foto hasil

4

Gambar 3 Arsitektur sistem

Arsitektur sistem pada gambar 3 terdiri dari dua buah webcamyang diletakkan di dashboard mobil yang berada 1 meter dari wajah yang berada pada kursi depan mobil yang terhubung dengan raspberry pi 2B. Pada raspberry pi 2B terdapat sebuah USB modem yang berfungsi untuk menghubungkan sistem dengan jaringan internet. Sumber listrik untuk menghidupkan raspberry pi 2B adalah sebesar 5 volt, jadi dapat digunakan USBlighter yang terhubung ke accu mobil sehingga bisa digunakan dalam waktu yang lama. Pada penelitian ini menggunakan twitter karena twitter minim ads (advertising) atau iklan yang terpasang pada twitter sehingga mudah untuk diakses.

Gambar 4 Alur kerja sistem

Pada gambar 4 ditunjukan proses kerja sistem dimulai dari adanya wajah yang terdeteksi atau tidak. Jika ada wajah maka akan terdapat flag. Proses ini bisa

5

dilihat ketika raspberry pi terhubung di layar monitor di halaman config. Flag akan terus bertambah nilainya dan upload wajah yang terdeteksi ke twitter setelah menyesuaikan nilai flag wajah yang valid sesuai dengan konfigurasi yang telah diatur sebelumnya.

Gambar 5 Alur kerja metode haar cascade classifier

Pada gambar 5 ditunjukkan alur kerja metode haar cascades classfier untuk deteksi wajah yang digunakan pada peneltian ini. Proses dimulai dari pendeteksian citra yang ada dalam frame webcam kemudian discan untuk dicari

feature menggunakan integral image. Adaboost membuat klasifikasi kuat yang

terdiri dari klasifikasi-klasifikasi lemah. Haar cascade classifier menyeleksi klasifikasi-klasifikasi kemudian menentukan apakah klasifikasi lolos atau tidak. Klasifikasi yang lolos dari cascade classifier apabila sesuai dengan threshold maka akan didekripsikan dan ditampilkan sebagai wajah dengan tanda segiempat pada area wajah yang terdeteksi.

Pada tahap pengolahan awal gambar atau preprocessing image dilakukan proses scaling, grayscaling, dan thresholding. Proses thresholding dilakukan pada tahapan metode haar cascade classifier.

6

Gambar 6 Alur preprocessing image

Pada gambar 6 ditunjukan alur pendeteksian yang bermula dari input gambar yang melalui proses scaling yang berguna untuk mengubah semua input gambar berukuran sama. Input gambar yang telah melewati proses scaling diubah ke warnanya dari RGB menjadi grayscale.

Gambar yang telah dikonversi menjadi grayscale kemudian diproses untuk menentukan adanya wajah atau tidak dengan metode haar cascade classifier. Apabila terdeteksi adanya wajah maka akan ditampilkan dengan segiempat yang menandai adanya wajah.

4. Hasil dan Pembahasan

Sesuai dengan metode penelitian yang dilakukan, tahap keempat adalah

implement, tahap dimana sistem yang telah direncanakan dan didesain diterapkan.

7

Gambar 7 Consumer key, secret,access token dan access secret yang digunakan

Pada gambar 7 adalah akun sistem pada penelitian ini digunakan

@jscamera yang bertugas untuk mention dan upload foto ke akun twitter tujuan.

Setelah membuat aplikasi pada twitter API program akan memanggil fungsi yang telah dibuat dengan menggunakan consumer key, consumer secret, access token, dan access secret yang didapat dari twitter API. Pada penelitian ini menggunakan

twitter karena twitter minim ads (advertising) atau iklan yang terpasang pada twitter sehingga mudah untuk diakses.

Gambar 8 Halaman konfigurasi

Gambar 8 adalah tampilan konfigurasi sistem yang dapat diakses melalui

LocalArea Network (LAN) melalui alamat IP 192.168.0.227. Pada halaman

konfigurasi terdapat menu periode cuplik untuk menentukan jumlah capture

webcam, jumlah valid untuk sistem menentukan jumlah wajah terdeteksi yang valid sebagai syarat untuk upload ke twitter, isi pesan, akun twitter untuk akun twitter yang dituju, dan tombol save untuk menyimpan konfigurasi.

8

Gambar 9 Tampilan segiempat bila mendeteksi wajahpada kamera 1 dan kamera 2

Pada gambar 9 adalah tampilan dimana gambar yang ditampilkan diberi tanda segiempat oleh sistem yang dideskripsikan sebagai wajah setelah melalui tahapan metode haarcascade classifier. Sistem mencari wajah diseluruh gambar yang ditampilkan didalam frame. Proses pertama pada gambar yang ditampilkan dalam frame dilakukan scan per subwindow dimulai dari kiri atas sampai kanan bawah gambar. Pada gambar yang bergerak atau video, proses ini dilakukan secara berulang-ulang.Setiap subwindow yang discan diterapkan haar feature. Pencarian nilai haarfeature yang diseleksi dihitung menggunakan integral image.

Adaboost mengklasifikasikan feature berdasarkan nilai feature yang telah dihitung

dengan integral image.Karena banyaknya jumlah subwindow yang ada pada suatu gambar, klasifikasi subwindow dilakukan oleh cascades classifier yang mana pada penelitian ini menggunakan file *.xml yang diload, yaitu

haarcascades_frontalface_alt.xmlakan menyeleksi dari klasifikasi-klasifikasi subwindow yang masukcascades classifier. Subwindow yang lolos dari tahapan cascade classifier dideskripsikan sebagai wajah dan ditampilkan dengan tanda

segiempat pada sekitar wajah yang terdeteksi oleh sistem.

Webcam yang digunakan untuk pengujian mempunyai resolusi 5 MP. Webcam hanya mampu mendeteksi wajah dari jarak terdekat dari webcam yaitu

9

Gambar 10 Pengujian menggunakan beberapa wajah yang berbeda

Gambar 10 menunjukan tampilan segiempat tanda mendeteksi wajah dari hasil pengujian beberapa wajah yang berbeda karateristik. Salah satu dari wajah yang dideteksi menggunakan kacamata dan menggunakan topi masih bisa dideteksi karena masih menampilkan wajah yang utuh. Untuk foto wajah dari ponsel juga bisa dideteksi karena masih menampilkan wajah yang utuh.

Gambar 11 Tampilan wajah yang tidak terdeteksi

Gambar 11 adalah tampilan wajah yang tidak terdeteksi karena wajah yang ditampilkan terhalang oleh benda dan tidak menampilkan wajah secara utuh.Pada gambar 11 tidak terdeteksi karena gambar yang ditampilkan tidak menampilkan wajah secara utuh sehingga segiempat tanda mendeteksi wajah tidak muncul.

10

Gambar 12 Screencapture notifikasi pada ponsel dari twitter dan hasil foto

pada twitter

Pada gambar 12 adalah hasil dari screencapture dari ponsel berupa notifikasi dari twitter yang berisikan isi pesan dan hasil upload di twitter yang berasal dari dua kamera yang digabung menjadi satu foto dari akun @jscamera. .

Tabel 1 Hasil pengujian sistem dengan jumlah valid 5 dan periode cuplik 5

Uji Coba Waktu menerima notifikasi Upload foto

1 14.02 detik Ya 2 13.39 detik Ya 3 14.63 detik Ya 4 15.24 detik Ya 5 13.78 detik Ya 6 13.90 detik Ya 7 14.89 detik Ya 8 15.78 detik Ya 9 14.16 detik Ya 10 Rata –rata 13.90 detik 14.37 detik Ya

Berdasarkan hasil pengujian, sistem berjalan sesuai rancangan yaitu dapat

upload foto ke twitter. Penghitungan waktu didapat dari waktu webcam yang

mendeteksi wajah sampai pengguna mendapatkan notifikasi dari twitter di ponsel pengguna. Proses waktu tercepat yang didapat adalah 13.39 detik dan yang terlama adalah 15.78 detik. Rata-rata waktu untuk menerima notifikasi dari pengujian tabel 1 adalah 14.37 detik. Lama waktu penerimaan notifikasi dari dapat berubah-ubah karena faktor koneksi internet yang disediakan oleh provider.

Berdasarkan hasil pengujian maka dapat disimpulkan bahwa sistem telah berjalan sesuai rancangan.

11

Berdasarkan perancangan, pembahasan, implementasi, dan pengujian yang telah dilakukan, diperoleh suatu sistem deteksi wajah untuk keamanan mobil menggunakan metode haar cascades classifier terintegrasi twitter yang memberikan notifikasi bila ada pencuri mobil dengan mengunggah foto ke twitter berdasarkan wajah yang terdeteksi menggunakan metode haar cascades classifier. Sistem mampu mendeteksi wajah dari jarak ±28 cm sampai ±158 cm. Sistem mampu mendeteksi beberapa wajah yang berbeda secara karateristik. Sesuai dengan wajah yang dideteksi adalah wajah yang utuh dan tidak dapat mendeteksi tertutup benda.

Pada pengujian sistem dilakukan sepuluh kali pengujian sistem yang memberikan keluaran sistem yang dirancang dapat upload foto ke twitter dengan rata-rata waktu untuk mengupload 14.37 detik.Penghitungan waktu dimulai dari waktu webcam mendeteksi adanya wajah sampai pengguna mendapatkan notifikasi dari twitter di ponsel pengguna. Lama waktuupload masih tergantung dari kondisi sinyal internet.

Saran untuk penelitian selanjutnya, sistem dikembangkan menjadi pengenalan wajah yang merupakan pengembangan dari deteksi wajah, ditambahkan metode untuk mendeteksi wajah yang dihalangi benda, ditambahkan alat maupun metode pendukung yang berfungsi untuk mengoptimalkan koneksi internet yang digunakan untuk upload foto ke twitter, dan juga ditambahkan akses selain via LAN untuk konfigurasi ke ponsel.

6. Daftar Pustaka

[1] Marhaenjati, Bayu. 2015. "Jelang Ramadhan Kasus Pencurian Dominasi Angka Kriminalitas", (www.satuberita.com/megapolitan/281617-jelang-ramadhan-kasus-pencurian-dominasi-angka-kriminalitas.html) Diakses pada 11 November 2015.

[2] Putra, Ryan Syah, Agustus 2013, "Perancangan Aplikasi Absensi dengan Deteksi Wajah Menggunakan Metode Eigenface", Pelita Informatika Budi

Darma, Volume : IV, Nomor: 2,

http://pelita-informatika.com/berkas/jurnal/4223.pdf.

[3] Septian, M. Yogi, 2014. Deteksi Wajah Menggunakan Metode Viola Jones Pada Graphics Processing Unit.Ilmu Komputasi Fakultas Tekhnik

Informatika Universitas Telkom.

[4] Emami, Sherliv, dkk. 2012. Mastering OpenCV with Pratical Computer Vision Projects. Birmingham: Packt Publishing Ltd.

[5] Paul, V., and Jones, M. J. [2004], “Robust Real-Time Face Detection”, International Of Computer Vision 57 (2), Netherlands. 137-154.

[6] Developer, Twitter, 2012. Twitter API. https://dev.twitter.com/docs/api, diakses pada tanggal 10 Februari 2016

[7] Raspberry Pi Foundation, 2014. Raspberry PI Documentation.

http://www.raspberrypi.org/documentation, diakses pada tanggal 11

12

[8] http://www.ciscozine.com/the-ppdioo-network-lifecycle/, diakses pada 11Februari 2016

[9] Anonim. 2006. Konsep PPDIOO.

http://www.cisco.com/global/EMEA/IPNGN. diakses pada tanggal 12 Februari 2016.